《算法图解》阅读笔记

第一章

以猜数引入二分查找

对于猜数，如果从1开始猜，会猜n次，但是对于二分而言，只需猜log n次，比方说如果最大数是240000，那么对于n要猜240000，但是对于二分只需要猜18次！

• 算法的速度指的并非时间，而是操作数的增速。谈论算法的速度时，我们说的是随着输入的增加，其运行时间将以什么样的速度增加。
• 算法的运行时间用大O表示法表示。 O(log n)比O(n)快，当需要搜索的元素越多时，前者比后者快得越多。 算法运行时间并不以秒为单位。
• 算法运行时间是从其增速的角度度量的。

第二章 选择排序

内容有 数组和链表

第三章 递归

如果使用循环，程序的性能可能更高；如果使用递归，程序可能 更容易理解。如何选择要看什么对你来说更重要

当用到递归的时候，我希望能想到下面这个例子：
祖母告诉你有一个上锁的神秘手提箱，而钥匙很可能在下面这个盒子里。这个盒子里有盒子，而盒子里的盒子又有盒子。钥匙就在某个盒子中。

为了找到钥匙，创建一个待查找的盒子堆，因此你始终知道还有哪些盒子需要查找，但是

但是在递归里面，并没有盒子堆，那么如果确定呢，下面是一个例子

此时调用栈如下：

可以看到，“盒子堆”存储在了栈中！这个栈包含未完成的函数调用，每个函数调用都包含还未检查完的盒子。使用栈很方便，因为你无需自己跟踪盒子堆——栈替你这样做了。
希望在每次使用递归的时候都能想起上面的内容

每个递归函数都有两部分：基线条件和递归条件。
递归条件指的是函数调用自己，而基线条件则指的是函数不再调用自己，从而避免形成无限循环。

每个函数调用都要占用一定的内存，如果栈很高，就意味着计算机存储了大量函数调用的信息。在这种情况 下，有两种选择：
1、重新编写代码，转而使用循环。
2、使用尾递归。这是一个高级递归主题，但并非所有的语言 都支持尾递归。

尾递归简要介绍

在传统的递归中，典型的模型是首先执行递归调用，然后获取递归调用的返回值并计算结果。以这种方式，在每次递归调用返回之前，您不会得到计算结果。

假设你调用greet(“maggie”)，计算机将首先为该函数调用分配一块内存。

我们来使用这些内存。变量name被设置为maggie，这需要存储到内存中

如果调用函数的话，计算机也为这个函数调用分配一 块内存。

当函数调用完成，栈顶的内存块会被弹出

调用另一个函数时，当前函数暂停 并处于未完成状态。该函数的所有变量的值都还在内存中。执行完函数greet2后，你回到函数 greet，并从离开的地方开始接着往下执行
这个栈用于存储多个函数的变量，被称为调用栈。

所以它的缺点是：

• 效率低，占内存
• 如果递归链过长，可能会statck overflow

若函数在尾位置调用自身（或是一个尾调用本身的其他函数等等），则称这种情况为尾递归。尾递归也是递归的一种特殊情形。

当编译器检测到一个函数调用是尾递归的时候，它就覆盖当前的活动记录而不是在栈中去创建一个新的。编译器可以做到这点，因为递归调用是当前活跃期内最后一条待执行的语句，于是当这个调用返回时栈帧中并没有其他事情可做，因此也就没有保存栈帧的必要了。通过覆盖当前的栈帧而不是在其之上重新添加一个，这样所使用的栈空间就大大缩减了，这使得实际的运行效率会变得更高。

第四章 快速排序

递归的深入

1、分而治之（divide and conquer，D&C）（D&C策略）

适用于这小块地的最大方块，也是适用于整块地的最大方块-—适合某个阶段的最好结果，就是适合整个阶段的最好结果

有个简单的农场主问题，大概意思就是在一块地中分成n块尽可能大的土地，这里不加以介绍，以另一个例子展开，求解一个数组的和：

• 第一步：找出基线条件，最简单的数组是–如果数组不包含任何元素或只包含一个元素，那么就
• 第一步：每次递归调用都必须离空数组更近一步。也就是缩小问题的规模，或者说找出当前的最好情况
  比如，如果sum是递归函数，sum([1,2,3]),那么进入以后1+sum([2,3])就是缩小了问题的规模
  

编写涉及数组的递归函数时，基线条件通常是数组为空或只包含一个元素。陷入困境时， 请检查基线条件是不是这样的

分而治之的实例——快速排序

数据结构内容，将第一个元素作为基准值，将左边的都变为比其小，将右边的都变为比右边大

• 第一步，确定基线条件，一个数组基线条件通常为空或者包含一个元素，那么此时直接返回这个数组就可以了
• 第二步，缩小问题的规模或者找出当前问题的最好情况
  当前问题所能做的就是让基准值的左边都比它更小，让其右边都比其大

可以说，这样将问题全部考虑了，也就是基线条件对空数组或包含一个 元素的数组管用，而在缩小规模或者叫当前最好情况条件中，我证明如果快速排序对包含一个元素的数组管用，对包含两 个元素的数组也将管用；如果它对包含两个元素的数组管用，对包含三个元素的数组也将管用， 以此类推。因此，我可以说，快速排序对任何长度的数组都管用。

第五章 散列函数

     散列表的查找的时间复杂度为O(1)

     散列函数：将输入映射到数字

     散列函数必须满足一些要求：
     （1）它必须是一致的，例如输入apple得到4，那么每次输入apple，都要得到4.
     （2）它应将不同的输入映射到不同的数字。

散列表的应用
1、将散列表用于查找
2、防止重复
3、将散列表用于缓存

第六章 广度有限搜索

广度优先搜索是一种用于图的查找算法，可帮助回答两类问题：
第一类问题：从节点A出发，有前往节点B的路径吗？
第二类问题：从节点A出发，前往节点B的哪条路径最短？

第一类问题：有路径吗

假设你经营着一个芒果农场，需要寻找芒果销售商，以便将芒果卖给他
在你看来，一度关系胜过二度关系，二度关系胜过三度关系，以此类推。因此，你应先在一 度关系中搜索，确定其中没有芒果销售商后，才在二度关系中搜索

那么第一轮先问一圈朋友，问与芒果销售商有联系吗？如果都没有，
那么第二轮问一圈朋友的朋友，问与芒果销售商有联系吗？如果都没有，
那么第三轮问一圈朋友的朋友的朋友，以此类推

这就是广度优先搜索算法

第二类问题：最短路径是多少

广度优先会扫描出最短路径，因为关系是从一度关系中开始的，直到找到销售商

第七章 狄克斯特拉算法

狄克斯特拉算法只适用于有向无环图

第八章 贪婪算法

没有快速算法的问题（NP完全问题）。
要识别NP完全问题，以免浪费时间去寻找解决它们的快速算法。
要学习近似算法，使用它们可快速找到NP完全问题的近似解。

1、教室调度问题

你希望将尽可能多的课程安排在某间教室上，也即在这间教室上尽可能多的课。看着貌似很复杂，但是算法可能简单得让你大吃一惊。

具体做法如下。
(1) 选出结束最早的课，它就是要在这间教室上的第一堂课。
(2) 接下来，必须选择第一堂课结束后才开始的课。同样，你选择结束最早的课，这将是要 在这间教室上的第二堂课。 重复这样做就能找出答案！

这就是贪婪算法，贪婪算法很简单：每步都采取最优的做法。用专业术语说，就是你每步都选择局部最优解，最终得到的就是全局最优解
贪婪算法的整理 ：贪婪算法整理

如果用贪婪算法解决背包问题：
(1) 盗窃可装入背包的最贵商品。
(2) 再盗窃还可装入背包的最贵商品，以此类推。
只是这次这种贪婪策略不好使了！

你的背包可装35磅的东西。音响最贵，你把它给偷了，但背包没有空间装其他东西了。

你偷到了价值3000美元的东西。且慢！如果不是偷音响，而是偷笔记本电脑和吉他，总价将 为3500美元！

在这里，贪婪策略显然不能获得最优解，但非常接近。从这个示例你得到了如下启示：**在有些情况下，完美是优秀的敌人。**有时候，你只需找到一 个能够大致解决问题的算法，此时贪婪算法正好可派上用场，因为它们实现起来很容易，得到的 结果又与正确结果相当接近。

2、集合覆盖问题

假设你办了个广播节目，要让全美50个州的听众都收听得到。为 此，你需要决定在哪些广播台播出。在每个广播台播出都需要支付费用，但是广播台覆盖的有重叠，因此你力图在尽可能少的广播台播出。如何找出覆盖全美50个州的最小广播台集合呢？

最笨的一个方法：
(1) 列出每个可能的广播台集合，这被称为幂集（power set）。可能的子集有2n个。
(2) 在这些集合中，选出覆盖全美50个州的最小集合。

如果广播台很多，需要的时间将激增，假设你每秒可计算10个子集，那么没有任何算法可以足够快地解决这个问题。

贪婪算法可化解危机！使用下面的贪婪算法可得到非常接近的解。
(1) 选出这样一个广播台，即它覆盖了最多的未覆盖州。即便这个广播台覆盖了一些已覆盖 的州，也没有关系。
(2) 重复第一步，直到覆盖了所有的州。

在这个例子中，贪婪算法 的运行时间为O(n2)

判断近似算法优劣的标准如下：

• 速度有多快；
• 得到的近似解与最优解的接近程度

3、NP完全问题

为解决集合覆盖问题，你必须计算每个可能的集合。 也就是穷举所有的可能，然后作比较。
旅行商问题和集合覆盖问题有一些共同之处：你需要计算所有的解，并从中选出最小/最短 的那个。这两个问题都属于NP完全问题。
NP完全问题的简单定义是，以难解著称的问题，如旅行商问题和集合覆盖问题。很多非常 聪明的人都认为，根本不可能编写出可快速解决这些问题的算法。

如何识别NP完全问题

Jonah正为其虚构的橄榄球队挑选队员。他列了一个清单，指出了对球 队的要求：优秀的四分卫，优秀的跑卫，擅长雨中作战，以及能承受压力 等。他有一个候选球员名单，其中每个球员都满足某些要求。

如果你想组建一个满足所有这些要求的球队，可名额有限。但这就是覆盖问题啊

可以使用贪婪算法来组建球队
(1) 找出符合最多要求的球员。
(2) 不断重复这个过程，直到球队满足要求（或球队名额已满）。

NP问题的特点

• 元素较少时算法的运行速度非常快，但随着元素数量的增加，速度会变得非常慢。
• 涉及“所有组合”的问题通常是NP完全问题。
• 不能将问题分成小问题，必须考虑各种可能的情况。这可能是NP完全问题。
• 如果问题涉及序列（如旅行商问题中的城市序列）且难以解决，它可能就是NP完全问题。
• 如果问题涉及集合（如广播台集合）且难以解决，它可能就是NP完全问题。
• 如果问题可转换为集合覆盖问题或旅行商问题，那它肯定是NP完全问题。